神经细分 - 针对竞争风险的单调神经网络
当数据存在右侧截断情况时,生存分析可以计算 “事件发生时间”。多类别的结果导致了一种分类变种:预测最可能的事件,即已知的竞争风险,这方面的研究较少。为了构建一个估计这种情况下的结果概率的损失函数,我们引入了一个严格正确的修正分离的评分规则,这个规则可以在部分数据上进行优化,因为评估是独立于观测的。它可以用于训练梯度提升树来进行竞争风险分析。与 11 种现有模型相比,这个模型 “MultiIncidence” 在生存和竞争风险的结果概率估计上表现最佳。它可以在任何时间点进行预测,并且比现有的替代方法快得多。
Jun, 2024
本文介绍了一种名为 Nnet-survival 的离散时间生存模型,适用于神经网络在医学预测任务中的应用。该模型由 Keras 深度学习框架实现,具有灵活性,能够根据随访时间的不同变化基线风险和输入数据对危险概率的影响。在模拟和实际数据集上的表现优于 Cox-nnet 和 Deepsurv 等已有模型。
May, 2018
本文介绍一种新的参数方法来评估具有截尾数据的时间事件预测问题中的相对风险,通过联合学习输入协变量的深度非线性表示,我们展示了我们的方法在多个不同程度的截尾实际世界数据集上估算生存风险的优势,并证明我们的模型在竞争风险情景中的优势。据我们所知,这是在存在截尾时进行全参数生存时间与竞争风险估计的第一项研究。
Mar, 2020
该论文提出了基于深度网络和对抗学习的非参数事件时间分布估计方法,通过有效利用丰富的健康分子数据和电子健康数据,为现代健康数据科学的应用提供了重要支持,并在基准和真实数据集上得到了显著的性能提高。
Apr, 2018
提出了一种基于神经网络的生存回归模型 SurvivalMonotonic-net (SuMo-net),该方法使用时间相关权重的单调限制直接优化对数似然函数,达到了多个数据集上最先进的对数似然得分,是现有神经方法的 20-100× 计算速度加速,适用于具有数百万观测值的数据集。
Mar, 2021
本文介绍了一种基于 Multi-Task Logistic Regression(MTLR)模型和深度学习架构作为核心的新方法,用于计算生存函数。该方法在所有实验中都表现优于 MTLR 和 Cox Proportional Hazard(CoxPH)模型,并且可以帮助企业预测客户购买产品、流失或贷款违约的时间,从而提高回报率。
Jan, 2018
本文研究了在深度神经网络中建模不确定性对生存分析的预测和校准性能的好处,提出了一个贝叶斯深度学习框架,评估了四个基准数据集上的预测表现,并与传统非贝叶斯方法进行比较。
Apr, 2024
该论文介绍了一种参数化的生存模型,通过放宽条件独立性的假设,扩展现代非线性生存分析并在合成和半合成数据中显著提高了生存分布的估计。
Jun, 2023
应用不同的生存分析方法比较其性能,结果表明深度学习(DeepSurv)在歧视度和校准性方面表现最佳,而 AutoScore-Survival 则通过最小变量集实现了较好的性能和解释性。
Mar, 2024
在此论文中,我们进行了首个大规模的中性基准实验,重点关注单事件、右删失、低维度生存数据。我们对 18 种模型进行了评估,涵盖经典统计方法和常见的机器学习方法,并使用 32 个公开可用的数据集。通过性能评估,我们发现在低维度、右删失数据的标准生存分析环境中,Cox 比例风险模型仍然是足够简单和强大的方法。
Jun, 2024